基于 ARIMA、LSTM 与 BiLSTM 的金融时间序列预测比较分析
机器学习
2019-11-22 v1 计算工程、金融与科学
性能
机器学习
摘要
基于机器和深度学习的算法是解决时间序列预测问题的新兴方法。这些技术已被证明比传统的基于回归的建模产生更准确的结果。已有报道称，具有记忆功能的人工循环神经网络（RNN），如长短期记忆（LSTM），相比自回归积分滑动平均（ARIMA）具有大幅优势。基于 LSTM 的模型引入了额外的“门”以记忆更长的输入数据序列。主要问题在于 LSTM 架构中引入的门是否已经提供了良好的预测，以及是否有必要对数据进行额外训练以进一步改进预测。双向 LSTM（BiLSTM）通过两次遍历输入数据（即 1）从左到右，和 2）从右到左）实现额外训练。感兴趣的研究问题是，具有额外训练能力的 BiLSTM 是否优于常规单向 LSTM。本文报告了 BiLSTM 与 LSTM 模型的行为分析与比较。目的是探究数据的额外训练层在多大程度上有助于调整相关参数。结果表明，数据的额外训练因而基于 BiLSTM 的建模比常规基于 LSTM 的模型提供更好的预测。更具体地，观察到 BiLSTM 模型相比 ARIMA 和 LSTM 模型提供更好的预测。还观察到 BiLSTM 模型比基于 LSTM 的模型达到平衡要慢得多。
引用
@article{arxiv.1911.09512,
title = {A Comparative Analysis of Forecasting Financial Time Series Using ARIMA, LSTM, and BiLSTM},
author = {Sima Siami-Namini and Neda Tavakoli and Akbar Siami Namin},
journal= {arXiv preprint arXiv:1911.09512},
year = {2019}
}
备注
8 pages, 3 figures, 3 tables, 1 listing, IEEE BigData 2019